目前機器學習主要有兩種形態，其一是搞演算法，主力是世界上知名大學(學院派)如MIT，大公司的發paper的核心團隊，如google。他們基本都是名校畢業的博士或在職的教授，為大家造輪子;其二是工程應用，自動駕駛，醫療影象，城市公共交通，語音識別等等，主要是要快速把演算法變現為可執行工程專案，絕大部分都是拿輪子直接用。

那麼是不是我們做工程的就一定不用做輪子了？那到不是，根據專案需求，改造輪子或重新造輪子都是可能的。

sklearn、TensorFlow（包括TensorFlow的高層封裝Keras）、PyTorch……Python有這麼多優秀的庫，實現各種機器學習演算法很方便，何必要自己造輪子呢？

你可以看看最近發表的機器學習演算法方面的論文，很多論文都開源了配套的程式碼，這些程式碼基本都是基於各種框架實現模型，幾乎看不到從頭自己造輪子實現的。

自己造輪子，不僅寫起來麻煩（這還假設你造的輪子語義上沒有錯誤、效能上也不差），別人閱讀起來也不方便。

很多人過分推崇從頭寫起（write X from scratch），恨不得什麼都自己寫，不屑於使用TensorFlow等框架。但是，TensorFlow不用，那numpy用不用呢？所以說，這種想法其實不可取。

當然，這也不是絕對的，以下情形屬於例外：

基於學習的目的，加深對基本概念/模組的理解。比如用框架寫的話，像反向傳播之類的輪子都是現成的。脫離框架自己手寫，可以更好地理解這些基本概念/模組。基於效能需求進行最佳化，比如，使用了特殊的硬體，或者應用場景非常特殊，現有的輪子不能用或者不好用。應付面試。其實這個可以歸入第一條。因為之所以有些面試會設定脫離框架手寫演算法的題目，就是為了看你對基本概念/模組的理解程度。

不需要。

原因之一：Python有它非常強大並且開源的免費庫，這是Python語言為什麼要優於其他語言的原因。

原因之二：我們只需要找到相對應的庫進行加以修改即可。

原因之三：現在機器學習的演算法大多都已成熟，我們沒有必要重新研究別人已經研究出來的演算法，浪費時間，得不償失。

然而，如果設計的新演算法時，我推薦在已有的演算法基礎升級會更好，因為從無到有畢竟是很困難的。

不用自己寫輪子，為了理解實現細節的話，可以自己寫寫。在專案中，沒有必要，很多可用好用的庫。只要把這些庫提供的演算法介面，熟練使用就行。呵呵，說起來，這就是別人眼中的調庫軍。其實也就是苦力活。別被嚇著了啊。

其實在應用工程上有很多需要把這些演算法組合，整合起來，達到應用的要求。這也很考驗對機器學習演算法的掌握能力。說多了。

如果是出於學習階段，理解機器學習的演算法並自己去實現是有必要的。這可以加深對知識的理解。但即便如此，也不是要求從頭開始造輪子，很多時候只是二次開發。

如果是工程應用，那麼就完全沒有必要去重複造輪子了。python目前提供的庫已經很強大了，也相當成熟，基本上能夠滿足一般工程應用的需求，這個時候再花大量精力去重複造輪子是很沒必要的。